智能推薦系統：比你更懂你

■文/曹 健

智能推薦系統有望成為你的朋友，甚至導師。

人工智能的應用已經融入了我們的日常生活，智能推薦就是我們日常生活中最經常遇到的人工智能應用之一。隨著在線服務的流行，吃穿住行等各種服務中推薦都如影相隨。不僅如此，推薦也在金融投資、學術研究、個性化醫療等場合發揮著越來越重要的作用。因此，不少學者指出，我們從“信息時代”邁入了“推薦時代”。

將計算智能引入決策過程

從決策的角度看，智能推薦其實是計算智能和人類智能融合到一定階段的產物。決策是依據需求和目標，在各種選擇中做出決定的過程。需求的復雜性、選擇的多樣性使得決策成為一個高度復雜的過程。隨著計算機技術的發展，計算智能被不斷引入決策過程以提升決策的效果，加快決策的速度并減輕決策的負荷。早年的決策支持系統中包含了通過對問題進行模型化，提供各種算法進行求解的模型庫和方法庫，其假設是需求、各種解是可以建模的。然而，現實中大多數問題是難以建模的，特別是人類的需求。因此，各種檢索工具包括搜索引擎依據用戶給出的查詢條件返回滿足條件的結果，用戶自己再在結果中進行判斷和選擇。隨著用戶交互數據的積累，計算機能夠建立和推測用戶的需求模型以及各種解的模型，從而主動篩選出少量的最佳答案，這就是智能推薦的模式。

推薦系統經過多年的發展已經形成了不同的方法。最簡單的推薦方法為基于人口統計學的推薦，它只是根據用戶的類別，將該類別用戶關聯程度最大的物品（在推薦系統中，物品是廣義的概念，它指代用戶待選擇的對象）篩選出來。顯然，這種方法還談不上太多的智能性。第二種方法是基于內容的推薦，在這種情況下，用戶的屬性和物品的屬性都能夠獲得，因此可以在歷史數據中知道與當前用戶屬性相似的用戶喜歡的物品，也可以知道與用戶已經選擇的物品屬性相似的物品。在基于內容的推薦中，核心是基于屬性進行“相似性”的計算。第三種方法是基于協同過濾的推薦，它針對某一用戶，基于其購買歷史找到具有相似購買歷史的用戶，或者針對某一物品找到具有相似購買用戶集合的其他物品。它的基本假設是，具有相似購買歷史的用戶可能有相同或者相似的口味和偏好。顯然，這三類方法不是對立的，它們具有互補性，在實際應用中通常混合使用各種算法來獲得最佳效果。本質上，推薦是一個預測用戶和物品之間連接強度的問題。因此，近年來，各種機器學習算法包括深度學習的算法被應用到了智能推薦系統的構造中。

比你更懂你的智能推薦系統

人類的需求是復雜的。許多時候，人類自身也并不一定清楚自己的需求。最初對推薦系統效果的評價主要是看算法能否較好地擬合用戶的選擇行為，因此，在設計算法時，用一部分歷史數據進行模型訓練，而用另一部分歷史數據進行驗證。顯然，這一層次的智能推薦系統的目標是“在你所知道的物品中推薦你所需要的”。

人類具有主觀能動性，有通過學習不斷擴大認知范圍的動機。然而，由于時間、精力等限制，人們往往傾向于在所知道的東西中進行選擇，這就不可避免地造成很多選擇機會的喪失。近年來，推薦系統的性能指標中引入了一個概念叫“驚喜度”。“驚喜度”意味著給出的某一個推薦物品，用戶以前是不知道的，它給用戶帶來了意料之外的樂趣。事實上，推薦技術中協同過濾等技術的引入在一定程度上可以帶來“驚喜度”，而針對“驚喜度”這一指標進行特別的優化可以帶來更好的效果。這一層次的智能推薦系統的目標可以稱為“推薦你所需要的”。

讓用戶滿意是智能推薦的目標，但“是否滿意”這一評價指標具有復雜性。人類的一個智慧是為了長期目標，有時候我們愿意犧牲短期目標。因此，短期滿意度和長期滿意度是需要平衡的。例如，你喜歡吃某一種腌制食品，常規的推薦系統自然會推薦類似的腌制食品，但長期吃腌制食品可能對健康帶來損害。因此，智能推薦系統從健康角度出發減少對腌制食品的推薦，即使從短期來看會影響你對系統的評價。這一層次的智能推薦系統的目標可以稱為“讓你成為更好的自己”。

為了實現智能推薦，目前業界已經提出了多種不同的推薦模式。

（1）跨領域推薦：在現實世界中，每個用戶通常在某些領域（如購買書籍）有足夠多的歷史數據，而在其他一些領域（如購車）缺乏數據。近年來，跨領域推薦成為推薦系統中的一個熱點，以利用用戶在經驗豐富的領域中的反饋數據，來幫助推測用戶在經驗缺乏的領域上的偏好。

（2）上下文感知推薦：人們有些選擇和時間、地點、天氣等上下文密切有關。所謂上下文，指的是一切影響人們選擇的因素。通過對上下文信息的采集和建模，可以實現更為準確的推薦，也可以實現實時推薦。

（3）社會化推薦：普通的推薦系統依據的是相似用戶的信息。在現實生活中，受社會因素的影響，我們與朋友、所在的群體往往有共同的偏好。因此，社會化推薦中引入朋友和群體的信息來提高推薦的效果。同時，在朋友和群體中，往往某些人比一般人更具代表性（稱為專家），他們的意見在算法中會給以更大的權重。

（4）終身推薦：人是不斷成長的，在人生的不同階段有著不同的需求。因此，終身推薦的目標是伴隨你的成長，預測你下一步的需求，并提供推薦信息。

亦師亦友的智能推薦系統

隨著我們的數據被更為全面地采集以及人工智能水平的提高，智能推薦的水平也在不斷提高，它將滲透到我們生活的每一個方面。它不僅建議我們的衣食住行，而且建議我們應該去交什么樣的朋友，應該約會什么樣的對象，告訴我們碰到問題去找哪位專家，如何調整我們的情緒乃至如何選擇自己的人生道路。

智能推薦系統不斷與我們進行交互，從我們身上不斷學習，給出建議，并觀察我們對建議的反饋從而進一步更新模型。智能推薦系統無疑像一位親密無間的朋友。

另一方面，智能推薦系統不僅學習用戶當前的生活習慣，也從其他用戶乃至專家身上學習，因此可以給予更為智慧的引導。它擴大了我們的眼界和認知范圍，引導我們成為更好的自己。從這個意義上講，智能推薦系統將成為你的導師，甚至你的指揮者。如果你信任智能推薦系統，它甚至可以替你進行決策并直接采取行動：當你回到家，你的情緒不佳，推薦系統將為你播放振奮人心的歌曲；當你需要旅游，推薦系統直接為你訂好賓館和機票。然而，這種導師式的智能推薦系統是你所需要的嗎？它會不會形成對我們生活的干擾乃至粗暴的干涉？人類的自主性又將置于何處？

不管如何，智能推薦系統無疑已經進入并影響了我們的生活，而更好的智能推薦系統需要我們共同進行探索。